En este episodio hablamos de lo costoso que puede ser entrenar un modelo dependiendo del algoritmo y la cantidad de features.  Hablamos de las diferentes optimizaciones que podemos hacer en nuestros algortimos a la hora de entrenar o de inferir. Introducimos el concepto del *MLOps* y cómo la idea es automatizar todo el proceso para hacerlo repetible. Contamos como se puede conseguir con herramientas como Kubeflow, o utilizando herramientas nativas como las SageMaker PipelinesEste es el episodio #2.20 del Podcast de Charlas Técnicas de AWS.00:00 - Introducción02:42 - Resumen de los episodios anteriores11:40 - Optimización de los modelos grandes 38:40 - Optimización en base a los dispositivos de inferencia58:00 - MLOps01:06:37 - Cómo empezar?? Links mencionados en este episodio:- Encontrá a Javier Ramirez en las redes: https://twitter.com/supercoco9- Episodio sobre la nueva región de España: https://youtu.be/ORUKQRDViK4- Hugging face: https://huggingface.co/- Episodio de IoT: https://youtu.be/_1Ryarag_pE- Episodio de Servicios de Inteligecia Artificial: https://youtu.be/ie5ucXlZIqw- Capa gratuita de AWS: https://aws.amazon.com/es/free/- Tips para ahorrar y pagar muy poco usando AWS: https://youtu.be/yn1VsP65kOY- Lista de reproducción con los episodios anteriores de ML: https://www.youtube.com/playlist?list=PLQh2jfOGN_IgJe01v7J0OZdvc8603pctS✉️ Si quieren escribirnos pueden hacerlo a este correo: podcast-aws-espanol@amazon.comPodes encontrar el podcast en este link: https://aws-espanol.buzzsprout.com/O en tu plataforma de podcast favoritaMás información y tutoriales en el canal de youtube de Charlas Técnicas#foobar #AWSenEspañol